IT思维

公众号/将门创投

From: Nature Medicine; 编译：Iris

由来自四川大学及纽约多所医药大学等机构的研究员所组成的研究团队，提出了新型AI算法，主要通过观察胸腔CT照片，在结合基于患者临床症状和试验检测的诊断成果之上，可以快速判断患者是否系新冠病人。

团队收集了来自905个病人的病理数据样本，主要借助MLP和CNN模型建立了理想的AI诊断模型。在与真实诊断结果经过比对后，团队认为它至少能够带来两个实际好处：提升CT分析效率和新冠诊断效率。

论文链接：
https://doi.org/10.1038/s41591-020-0931-3

AI和CT模型的紧急融合

jointAI算法结合CT图像和临床病史，在首次应用于279例试验病例的测试集时，其曲线下面积(AUC)为0.92，病理敏感性(84.3%)与资深胸部放射科医师得出的敏感性(74.6%)相当，可见其惊人的识别准确率。

CT模型示意图

共应用了三个AI模型：其一用于胸腔CT扫描，其一分析临床数据，其一用于结合胸腔CT扫描和临床信息数据。

CNN model是一个预先训练好的肺炎预测模型，它从胸腔CT中识别异常肺切片的准确率为99.4%。将每个患者的前10份异常CT图像放入CNN模型，产出预测病例阳性的可能性(P1)。

将人口统计学和临床数据纳入机器学习模型，对阳性病例进行分类(P2)。将诊断CNN模型和非成像临床信息机器学习模型产生的特征通过MLP网络进行整合，生成jointAI模型的最终检测数据(P3)。

团队首先建立了一个结合放射学数据和临床信息的神经网络模型，来检测新冠肺炎的病变位置和症状。收集的数据包括在2020年1月17日至3月3日期间，从中国的18个医疗中心获得的905名临床患者的胸部CT扫描数据集。患者年龄分布在1 ~ 91岁之间（普遍在40.7岁±16.5岁范围内），男性有488例，女性417例。

试验病例的临床信息数据

实验过程中的所有CT扫描均基于国际标准扫描流程来进行。扫描完毕后，团队对CT模型进行AI重建，通过肺窗显示出来。共有419名患者（占数据集的46.3%）经实验室实时RT-PCR检测和下一代测序证实为SARS-CoV-2阳性，486名患者（占53.7%）检测为阴性。团队在测试集中对CT模型进行了评估，并将成果与人工鉴定结果相比较。

AI鉴定结果也不是百分百正确的。其中就有23例病例被误诊为阳性，经高级胸外科医师正确诊断后纠正为阴性。还有两例患者被AI错误分类。不过，考虑到测试集的总量，AI的检测错误率其实不算高。

初次CT检查显示新冠肺炎病毒携带者的典型症状表现为肺部双侧和小叶性炎症，包括磨砂玻璃样病变。胸腔积液、淋巴结病和离散性肺结节则非常少见。具备这些症状的试验者有较高可能性系肺炎患者。

阳性病例的CT扫描示意图

根据世界卫生组织的建议，对新冠肺炎最准确的诊断应集中在对咽喉部反转录-聚合酶链反应(RT-PCR)收集的分泌液进行检测核酸。然而，目前核酸检测试剂盒的短缺，给核酸检测造成了重重困难，相比之下，用胸腔CT来检测病例则显得现实许多。

a, jointAI模型、基于CT图像训练的CNN模型、基于临床数据训练的MLP模型以及两名放射科医生的ROC曲线比较；

b, 新冠肺炎阳性患者与正常CT扫描诊断的成功率比较；

c, 比较AI模型和放射科医生获得的AUC (c)；

d, 比较AI模型和放射科医生获得的敏感性；

e,比较AI模型和放射科医生获得的特异性。

再者，CT模型识别比RT-PCR检测在操作上更加方便。虽然CT模型识别不如RT-PCR准确，但它是一个相当实用的工具，帮助执行者对疑似病例加以分诊。在团队的研究中，AI肺炎识别模型结合了CT和临床数据，对于早期胸腔CT表现正常的轻度症状患者，AI模型显示，临床数据在新冠肺炎的准确诊断中发挥了至关重要的作用，如果单凭CT模型来做检测，AI的错误率可能反而会上升。